摘要

我们提出了一种基于编码器-解码器预训练与微调策略的强效目标检测方法。该方法名为 Group DETR v2，其架构基于视觉Transformer编码器 ViT-Huge~\cite{dosovitskiy2020image}、DETR 变体 DINO~\cite{zhang2022dino}，以及一种高效的 DETR 训练方法 Group DETR~\cite{chen2022group}。训练流程包含三个阶段：首先在 ImageNet-1K 数据集上对 ViT-Huge 编码器进行自监督预训练并微调；随后在 Object365 数据集上对检测器进行预训练；最后在 COCO 数据集上进行微调。Group DETR v2 在 COCO test-dev 上取得了 64.5 的 mAP 指标，在 COCO 目标检测排行榜上刷新了当前最优性能（SoTA），相关结果可查阅：https://paperswithcode.com/sota/object-detection-on-coco。